CN101256669A - 序列图像分割的方法、装置 - Google Patents

序列图像分割的方法、装置 Download PDF

Info

Publication number
CN101256669A
CN101256669A CNA2008100268984A CN200810026898A CN101256669A CN 101256669 A CN101256669 A CN 101256669A CN A2008100268984 A CNA2008100268984 A CN A2008100268984A CN 200810026898 A CN200810026898 A CN 200810026898A CN 101256669 A CN101256669 A CN 101256669A
Authority
CN
China
Prior art keywords
image
sequence image
pixel
seed region
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2008100268984A
Other languages
English (en)
Other versions
CN101256669B (zh
Inventor
鲍苏苏
方驰华
彭丰平
杨剑
庞雄文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Southern Medical University Zhujiang Hospital
Original Assignee
South China Normal University
Southern Medical University Zhujiang Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University, Southern Medical University Zhujiang Hospital filed Critical South China Normal University
Priority to CN2008100268984A priority Critical patent/CN101256669B/zh
Publication of CN101256669A publication Critical patent/CN101256669A/zh
Application granted granted Critical
Publication of CN101256669B publication Critical patent/CN101256669B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及计算机图像处理领域,本发明实施例公开了一种序列图像分割的方法、装置。该方法具体是应用第一序列图像的分割结果,通过灰度值计算比较得到与第一序列图像相邻的第二序列图像中的初始的种子区域,对该初始的种子区域进行种子区域生长,得到该第二序列图像上该组织完整的分割结果。应用本发明的技术方案能够提高序列图像的分割速度。

Description

序列图像分割的方法、装置
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种序列图像分割的方法、装置。
背景技术
图像分割是将图像中具有特殊含义互相不交叉的不同区域分开来,使得每一个区域都满足特定区域的一致性。图像分割是医学图像处理的关键一步,是跨越医学和计算机科学综合性研究课题,在医学应用中具有特殊的重要意义。
医学图像分割是病变区域提取、特定组织测量以及实现三维重建的基础。随着影像医学在临床医学的成功应用,图像分割在影像医学中发挥着越来越大的作用。比如:把肝脏从腹部计算机X射线断层扫描断层(computedtomography,简称CT)图像中提取出来,是肝脏虚拟手术实现的一个基本前提。
在医学领域的三维可视化过程中,需要对各层的CT序列图像分别进行分割,利用各层的分割结果进行三维重建,得到立体化的可视化图像,在三维可视化领域中,图像分割是一庞大的运算处理过程。
现有技术在对一组序列图像进行分割时,一般是分别对各序列图像独立进行分割,分别得到各张序列图像的分割结果,因而,其分割速度很慢。
发明内容
本发明实施例提供了一种序列图像分割的方法,提高序列图像的分割速度。
本发明实施例还提供了一种序列图像分割的装置,提高序列图像的分割速度。
本发明实施例提供的序列图像分割的方法,包括:
确定第一序列图像中感兴趣的组织的图像,确定构成所述第一序列图像中组织的图像的各像素点的灰度值以及坐标;
计算第一平均值:所述第一序列图像中的组织图像内的像素点的灰度值的平均值;
将第二序列图像中满足条件的像素点所构成的区域,作为第一初始的种子区域,
其中,所述第二序列图像相邻于所述第一序列图像,所述条件为:所述像素点的坐标与所述第一序列图像中组织的图像的任一像素点的坐标相同,并且,所述像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值小于预定的第一上限,并且,所述像素点的灰度值与所述第一平均值的差值的绝对值小于预定的第二上限;
对所述第一初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像。
本发明实施例提供的序列图像分割的装置,包括:
计算单元,用于计算,所述计算包括:
计算第一平均值:所述第一序列图像中的组织图像内的像素点的灰度值的平均值,
计算第一绝对值:第二序列图像中的像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值,
计算第二绝对值:第二序列图像中的像素点的灰度值与所述第一平均值的差值的绝对值,
判断单元,用于判断数值的大小关系,包括:
判断所述第一绝对值是否小于第一上限,所述第二绝对值是否小于第二上限;
第一种子区域生长单元,用于对初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像,所述初始的种子区域为:满足条件像素点所构成的区域,所述条件为:所述像素点在所述第二序列图像上,所述像素点对应的第一绝对值小于第一上限,并且,所述像素点对应的第二绝对值小于第二上限。
由上可见,应用本发明实施例的技术方案,在得到一张序列图像(记为第一序列图像)的分割结果(具体是图像中感兴趣的组织的图像)后,计算该已分割得到的感兴趣的组织的图像内的像素点的灰度值的平均值,记为第一平均值;根据该第一平均值,判断与该第一序列图像相邻的下一序列图像(记为第二序列图像)的像素点是否满足条件:该像素点与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值小于预定的第一上限,并且,所述像素点的灰度值与所述第一平均值的差值的绝对值小于预定的第二上限;如果该像素点满足条件,则将满足上述条件的像素点所构成的区域作为初始的种子区域;对该初始的种子区域进行种子区域生长,得到该第二序列图像中该感兴趣的组织的图像。可见,应用本发明实施例的技术方案,在进行序列图像分割的过程中,利用相邻的图像中的像素点的灰度值的相似性的特点,通过简单的灰度值计算、比较,在第二序列图像上得到初始的种子区域。由于对于相邻的图像而言,组织在相邻的序列图像中的形状基本相近,因此,在第二序列图像上得到初始的种子区域,意味着该第二序列图像上的该组织的图像已基本被分割出来。只需要在该初始的种子区域的基础上再进行区域生长进一步完整的该组织的分割图像即可。可见应用本发明实施例的技术方案,有利于提高序列图像的分割速度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的不当限定,在附图中:
图1为本发明实施例1中的序列图像分割的方法流程示意图;
图2为本发明实施例1中得到的第181张的序列图像进行肝的图像分割的分割前后图像对比示意图;
图3为本发明实施例1中得到的第205张的序列图像进行肝的图像分割的分割前后图像对比示意图;
图4为本发明实施例1中得到的第243张的序列图像进行肝的图像分割的分割前后图像对比示意图;
图5为本发明实施例2中的序列图像分割的装置结构示意图;
图6为本发明实施例3中的序列图像分割的装置结构示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
实施例1:
图1为本实施例提供的序列图像分割的方法流程示意图,图1就如何利用已知的第一序列图像的分割结果,对相邻的第二序列图像进行分割进行了示意性描述,如图示,该方法包括:
步骤101:确定第一序列图像中感兴趣的组织的图像,确定构成所述第一序列图像中组织的图像的各像素点的灰度值以及坐标。
该第一序列图像的分割结果已知,第一序列图像可以为序列图像组中第一分割的序列图像,其所采用的图像分割方法可以为现有技术的各种图像分割方法,比如:预计活动轮廓或者形变模型的分割、交互式图像分割、基于阈值的分割等;第一序列图像也可以为利用本实施例方法进行分割得到分割结果的序列图像。
本实施例就该第一序列图像为序列图像组中第一分割的图像的情况,提供了一种改进的种子区域生长方法-动态自适应种子区域生长方法,可以利用提供的动态自适应种子区域生长方法,对该第一序列图像进行分割,确定第一序列图像中的感兴趣的组织的图像,具体如下:
首先,在感兴趣的区域内感兴趣的组织中选择一像素点作为初始的种子点,以该初始的种子点的第一邻域(在本实施例中以选取3*3邻域为例)为初始的种子区域,设初始的种子点的坐标为坐标原点,根据函数式(1)计算该初始的种子区域内的像素点的灰度值的平均值:
mean ( x , y ) = 1 9 Σ r = - 1 1 Σ c = - 1 1 g ( x + r , y + c ) - - - ( 1 ) ,
其中,mean(x,y)为:该初始的种子区域内的像素点的灰度值的平均值;r、c分别为:坐标x、y的步长,其可以取值:-1,0,+1;g(x+r,y+c)为:坐标为(x+r,y+c)的像素点的灰度值。
然后,根据函数式(2)计算该初始的种子点的第二邻域(在本实施例中以选取5×5邻域为例)内的像素点的灰度值的方差,将该方差作为本实施例中的动态自适应区域生长算法的生长准则的归并阈值:
δ = Σ r = - 2 2 Σ c = - 2 2 [ g ( x + r , y + c ) - mean ( x , y ) ] 2 - - - ( 2 ) ,
其中,δ为:该初始的种子点的第二邻域(在本实施例中以选取5×5邻域为例)内的像素点的灰度值的方差;mean(x,y)为:该初始的种子区域的灰度的平均值;r、c分别为:坐标x、y的步长,其可以取值:-2,-1,0,+1,+2;g(x+r,y+c)为:坐标为(x+r,y+c)的像素点的灰度值。
再然后,根据所计算得到的归并阈值δ设置生长规则,在本实施例中将该生长准则设置为:
|g(x,y)-AveGray|<δ(3)
其中,g(x,y)为:待归并的坐标为(x,y)的像素点的灰度值;AveGray为当前种子区域内的像素点的灰度值的平均值;AveGray的初始值为mean(x,y)。
在确定了初始的种子区域、以及该初始的种子区域内的像素点的灰度值的平均值mean(x,y)之后,利用关系式(3)对初始的种子区域进行种子区域生长获取分割结果,具体是:进行以下步骤,直到找不到新的种子点为止:
判断当前种子区域相连通的像素点的灰度值g(x,y)与当前种子区域内的像素点的灰度值的平均值AveGray的差值的绝对值是否小于方差δ,如果小于,则将该像素点作为新的种子点,获取新的种子区域:该新的种子区域为由所述新的种子点、以及更新前的种子区域内的种子点构成的区域;如果不小于,继续寻找下一新的种子点。
即根据关系式(3)进行判断,将满足关系式(3)的与当前的种子区域相连通的像素点作为新的种子点。当利用上述关系式(3)所示的生长规则找不到新的种子点时,那么最终得到的种子区域内的像素点所构成的图像则为分割所得的组织的图像。
步骤102:计算第一平均值:所述第一序列图像中的组织图像内的像素点的灰度值的平均值。
设该第一平均值为AveGray0。
步骤103:获取第二序列图像中、坐标与第一序列图像中的该感兴趣的组织的图像中的像素点的坐标相同的各像素点。
取第二序列图像中的坐标分别与构成该第一序列图像中的该感兴趣的组织的图像的任意像素点的坐标相同的各像素点,将这些像素点所组成的集合记为像素点的集合B。
显然,集合B在第二序列图像上形成的区域在空间上为第一序列图像中组织的图像在该第二序列图像上的正投影。
步骤104:计算第一绝对值:该像素点的集合中的像素点的灰度值与该第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值,计算第二绝对值:该像素点的灰度值与第一平均值的差值的绝对值。
设该像素点的集合B中的像素点的序号为i,i大于1小于n,n为该集合B中像素点的个数。
根据函数式(4)计算第一绝对值d1:
d1=|gi(x,y)-g(x,y)|(4),
根据函数式(5)计算第二绝对值d2:
d2=|gi(x,y)-AveGray0|(5),
函数式(4)、(5)中,gi(x,y)为集合中第i个像素点的灰度值,(x,y)为第i个像素点的坐标,g(x,y)为第一序列图像中坐标为(x,y)的像素点的灰度值,AveGray0为步骤102得到的第一平均值。
步骤105,判断第一绝对值、第二绝对值是否分别小于预定的第一上限、第二上限,如果是,则执行步骤106;否则,跳转执行步骤107。
设预定的第一上限为δ1,第二上限为δ2,判断第一绝对值d1是否小于δ1,且第二绝对值d2是否小于δ2,如果是,则执行步骤106;否则,跳转至步骤107。
另外,如果在步骤101中,第一序列图像的获取是采用动态自适应种子区域生长方法得到的话,在本步骤中可以将δ1、δ2设置为等于函数式(2)中的δ。
步骤106:标记该像素点。
本步骤可以采用现有技术的各种方法进行,比如:可以但不限于缓存该像素点的坐标。
步骤107:判断是否遍历步骤103所确定的各像素点,如果是,则执行步骤109;否则,执行步骤108:取该集合中的另一未遍历的像素点,对该像素点从步骤104开始进行处理。
判断当前像素点的序号i是否小于n,如果i<n,则判定未遍历该像素像素点的集合B中的所有像素点,执行步骤108;如果i>=n,则判定已遍历该像素点的集合B中的各像素点,执行步骤109。
步骤108:取该像素点的集合中的另一未遍历的像素点,返回步骤104对该像素点进行处理。
令i=i+1取下一像素点,返回步骤104对该像素点进行处理。
步骤109:将步骤106所标记的所有像素点所构成的区域作为初始的种子区域,对该初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像。
种子区域生长方法的基本思想是,将具有相似性质的像素集合起来构成区域。首先在待分割的目标区域中选择一个种子点作为生长的起始点,然后在种子点的邻域中搜索那些与种子点的相似特征度满足指定生长准则的像素作为新的种子点,并该新合并的种子点与已有的种子点合并形成新的种子区域,继续以上搜索和合并过程,直到没有新的像素点为止,此时的种子区域内的像素点所构成的图像便为分割得到的图像。
按照预设的生长准则,对该初始的种子区域开始进行种子区域生长,该生长准则可以但不限于按照现有技术进行设置。
在本实施例中可以但不限于使用步骤101提供的动态自适应种子区域生长方法。具体可以参考步骤101中的相应描述,在此不再赘述。
图1只是利用已知的第一序列图像的分割结果对于之相邻的第二序列图像进行分割的示意性描述,并且在步骤101中就该第一序列图像为第一张进行分割的序列图像的情况下,对如何获取该第一序列图像序列的分割结果进行了优选方案的描述。利用图1的流程,在得到第二序列图像后,可以依照上述的方法根据该第二序列图像中的该组织的图像获取与所述第二序列图像相邻的第三序列图像中的组织的图像。具体方法同理,可以参见步骤102到步骤109的描述。依次类推可以依据本实施例所提供的技术方案完成各张序列图像的分割。
如图2、3、4所示应用本实施例的技术方案进行实验得到的,对CT序列图像的第181张、205张、243张的序列图像进行肝的图像分割的分割前后图像对比示意图。图2中的20为原始的CT图像,21为对原始的CT图像20中的肝组织201进行分割得到的图像。图3中的30为原始的CT图像,31为对原始的CT图像30中的肝组织301进行分割得到的图像。图4中的40为原始的CT图像,41为对原始的CT图像40中的肝组织401进行分割得到的图像。由图中的对比可见,应用本实施例技术方案能够实现较为准确的图像分割。
由上可见,应用本发明实施例的技术方案,在得到一张序列图像(记为第一序列图像)的分割结果(具体是图像中感兴趣的组织的图像)后,计算该以分割得到的感兴趣的组织图像内的像素点的灰度值的平均值,记为第一平均值;根据该第一平均值,判断与该第一序列图像相邻的下一序列图像(记为第二序列图像)的像素点是否满足条件:该像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值小于预定的第一上限,并且该像素点的灰度值与所述第一平均值的差值的绝对值小于预定的第二上限,如果满足,则将满足上述条件的像素点所构成的区域作为初始的种子区域;对该初始的种子区域进行种子区域生长,得到该第二序列图像中该组织的图像。可见,应用本实施例的技术方案,在进行序列图像分割的过程中,利用相邻的图像的灰度值的相似性的特点,通过简单的灰度值计算、比较,在第二序列图像上得到初始的种子区域。由于对于相邻的图像而言,确定组织在相邻的序列图像中的形状基本相近,因此,在第二序列图像上得到初始的种子区域意味着该第二序列图像上的该组织的图像已基本被分割出来。只需要在该初始的种子区域的基础上再进行区域生长进一步完整的该组织的分割图像即可。可见应用本实施例的技术方案,有利于提高序列图像的分割速度。
实施例2:
如图5所示为本实施例提供的序列图像分割的装置结构示意图,如图示,该装置包括:
计算单元501,用于计算,所述计算包括:
计算第一平均值:已知的感兴趣的组织的图像内的像素点的灰度值的平均值,其中所述已知的感兴趣的组织的图像为:第一序列图像中感兴趣的组织的图像。该第一序列图像可以为序列图像组中第一分割的序列图像,其所采用的图像分割方法可以为现有技术的各种图像分割方法,比如:预计活动轮廓或者形变模型的分割、交互式图像分割、基于阈值的分割等;其也可以为利用本实施例方法进行分割得到分割结果的序列图像。
计算第一绝对值:第二序列图像中的像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值,具体可以参见实施例1步骤104中函数式(4)。
计算第二绝对值:第二序列图像中的像素点的灰度值与所述第一平均值的差值的绝对值,具体可以参见实施例1步骤104中函数式(5)。
判断单元502,用于判断数值的大小关系,包括:判断所述第一绝对值是否小于预定的第一上限;判断所述第二绝对值是否小于预定的第二上限。具体原理可以参见实施例1中步骤105的描述。
第一种子区域生长单元503,用于对初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像,其中所述初始的种子区域由满足条件:第一绝对值小于第一上限,所述第二绝对值小于第二上限的像素点构成,记为第一初始的种子区域。
即第一种子区域生长单元503在判断单元502判定第一绝对值小于第一上限,并且第二绝对值小于第二上限时,将第一绝对值、第二绝对值所对应的第二序列图像中的像素点所构成的区域作为第一初始的种子区域,并且应用种子区域生长方法对该第一初始的种子区域进行区域生长,直到区域不能在生长为止,那么此时的种子区域内的像素点所构成的图像便为第二序列图像上的该组织的图像,得到第二序列图像的分割结果。具体原理可以参见实施例1中步骤109的描述。
由上可见,应用本实施例的技术方案,在得到一张序列图像(记为第一序列图像)的分割结果(具体是图像中感兴趣的组织的图像)后,计算该以分割得到的感兴趣的组织图像内的像素点的灰度值的平均值,记为第一平均值;根据该第一平均值,判断与该第一序列图像相邻的下一序列图像(记为第二序列图像)的像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值小于预定的第一上限,所述像素点的灰度值与所述第一平均值的差值的绝对值小于预定的第二上限,如果均是,则将满足上述条件的像素点所构成的区域作为初始的种子区域;对该初始的种子区域进行种子区域生长,得到该第二序列图像中该组织的图像。可见,应用本实施例的技术方案,在进行序列图像分割的过程中,利用相邻的图像的灰度的相似性的特点,通过简单的灰度值计算、比较,在第二序列图像上得到一初始的种子区域。由于对于相邻的图像而言,确定组织在相邻的序列图像中的形状基本相近,因此,在第二序列图像上得到一初始的种子区域意味着该第二序列图像上的该组织的图像已基本被分割出来。只需要在该初始的种子区域的基础上再进行区域生长进一步完整的该组织的分割图像即可。可见应用本实施例的技术方案,有利于提高序列图像的分割速度。
实施例3:
如图6所示为本实施例的序列图像分割的装置结构示意图,如图示,本实施例的装置与实施例2中的装置所不同之处在于以下:
在本实施例中,所述计算单元601所进行的计算还可以包括:
计算第四平均值:当前种子区域内的像素点的灰度值的平均值,其中所述种子区域的初始区域为:以指定的初始的种子点为中心的、预定的第一邻域,记为初始的种子区域,所述初始的种子点为:所述第一序列图像中的组织中的像素点。即计算单元601初始计算初始的种子区域内的像素点的灰度值的平均值,该计算可以参见实施例1步骤101中函数式(1)的描述,并且在每次更新种子区域后,计算单元601计算当前的种子区域内的像素点的灰度值的平均值,计算同理于函数式(1),只是其中用于计算平均值的像素点更多了而已。
计算单元601所进行的计算还可以包括:计算以所述初始的种子点为中心的、第二邻域内的像素点的灰度值与所述第四平均值的方差。具体可以参见实施例1步骤101中函数式(2)。
计算单元601所进行的计算还可以包括:计算当前种子区域相连通的像素点的灰度值与当前种子区域内的像素点的灰度值的平均值的差值的绝对值。具体可以为实施例1步骤101中关系式(3)中的|g(x,y)-AveGray|。所述判断单元602执行的判断数值的大小关系还包括:判断当前种子区域相连通的像素点的灰度值与所述平均值的差值的绝对值是否小于所述方差。其判断的关系式可以参见实施例1步骤101中关系式(3)。
本实施例的装置还可以包括:
第二种子区域生长单元604,用于当所述判断单元602判定:与当前种子区域相连通的像素点的灰度值与所述平均值的差值的绝对值小于所述方差时,获取新的种子区域,所述新的种子区域由:所述新的种子点和更新前的种子区域构成,所述新的种子点为满足条件:灰度值与所述平均值的差值的绝对值小于所述方差的像素点。
当利用关系式(3)所示的生长规则找不到新的种子点时,那么最终得到的种子区域内的像素点所构成的图像则为分割所得的组织的图像。
由上可见,本实施例提供的装置支持使用动态自适应种子区域生长方法,从而可以应用动态自适应种子区域生长方法得到第一分割的序列图像的分割结果。
另外,在本实施例中,如果应用动态自适应种子区域生长方法得到第一分割的序列图像的分割结果,那么可以但不限于令预定的第一上限、第二上限等于:以所述初始的种子点为中心的、第二邻域内的像素点的灰度值与所述平均值的方差。
在本实施例中,第二种子区域生长单元604、第一种子区域生长单元503既可以分别独立设置,再可以集成设置在一起。
需要说明的是,在本发明实施例中的装置可以为由硬件构成的独立的设备或硬件模块,亦可以为以软件的形式存储在一个计算机可读存储介质中的功能模块。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (6)

1、一种序列图像分割的方法,其特征是,包括:
计算第一平均值:已知的感兴趣的组织的图像内的像素点的灰度值的平均值,其中所述已知的感兴趣的组织的图像为:第一序列图像中感兴趣的组织的图像;
将第二序列图像中满足条件的像素点所构成的区域,作为第一初始的种子区域,
其中,所述第二序列图像相邻于所述第一序列图像,所述条件为:所述像素点的坐标与所述第一序列图像中组织的图像的任一像素点的坐标相同,并且,所述像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值小于预定的第一上限,并且,所述像素点的灰度值与所述第一平均值的差值的绝对值小于预定的第二上限;
对所述第一初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像。
2、根据权利要求1所述的序列图像分割的方法,其特征是,所述第一序列图像中感兴趣的组织的图像的获取,包括:
在所述第一序列图像中指定初始的种子点,所述初始的种子点在所述组织的图像中;
以所述初始的种子点为中心的第一邻域内作为第二初始的种子区域,计算第二平均值:所述第二初始的种子区域内的像素点的灰度值的平均值;
计算以所述初始的种子点为中心的、预设的第二邻域内的像素点的灰度值与所述第二平均值的方差;
进行以下步骤,直到找不到新的种子点为止:
计算第三平均值:当前种子区域内的像素点的灰度值的平均值,
判断当前种子区域相连通的像素点的灰度值与所述第三平均值的差值的绝对值是否小于所述方差,如果是,则将所述像素点作为新的种子点,获取新的种子区域,否则,继续寻找下一新的种子点,所述新的种子区域为:由所述新的种子点、以及更新前的种子区域内的种子点构成的区域;
直到找不到新的种子点时,当前的种子区域内的像素点所构成的图像则为:所述第一序列图像中感兴趣的组织的图像。
3、根据权利要求2所述的序列图像分割的方法,其特征是,所述第一上限、第二上限均等于所述方差。
4、一种序列图像分割的装置,其特征是,包括:
计算单元,用于计算,所述计算包括:
计算第一平均值:已知的感兴趣的组织的图像内的像素点的灰度值的平均值,其中所述已知的感兴趣的组织的图像为:第一序列图像中感兴趣的组织的图像,
计算第一绝对值:第二序列图像中的像素点的灰度值与所述第一序列图像中处于相同坐标的像素点的灰度值的差值的绝对值,
计算第二绝对值:第二序列图像中的像素点的灰度值与所述第一平均值的差值的绝对值,
判断单元,用于判断数值的大小关系,包括:
判断所述第一绝对值是否小于第一上限,所述第二绝对值是否小于第二上限;
第一种子区域生长单元,用于对初始的种子区域开始进行种子区域生长,获取所述第二序列图像中所述组织的图像,所述初始的种子区域为:满足条件像素点所构成的区域,所述条件为:所述像素点在所述第二序列图像上,所述像素点对应的第一绝对值小于第一上限,并且,所述像素点对应的第二绝对值小于第二上限。
5、根据权利要求4所述序列图像分割的装置,其特征是,所述计算单元所进行的计算还包括:
计算第四平均值:当前种子区域内的像素点的灰度值的平均值,
其中所述种子区域的初始区域为:以指定的初始的种子点为中心的、预定的第一邻域,所述初始的种子点为:所述第一序列图像中的组织中的像素点,
计算以所述初始的种子点为中心的、第二邻域内的像素点的灰度值与所述第四平均值的方差,
计算第三绝对值:与当前种子区域相连通的像素点的灰度值与所述第四平均值的差值的绝对值;
所述判断单元判断数值的大小关系还包括:
判断所述第三绝对值是否小于所述方差;
所述装置还包括:
第二种子区域生长单元,用于当所述判断单元判定:所述第三绝对值是否小于所述方差时,获取新的种子区域,所述新的种子区域由:新的种子点和更新前的种子区域构成,所述新的种子点满足条件:其灰度值与所述第四平均值的差值的绝对值小于所述方差的像素点。
6、根据权利要求5所述序列图像分割的装置,其特征是,所述第一上限、第二上限均等于所述方差。
CN2008100268984A 2008-03-20 2008-03-20 序列图像分割的方法、装置 Expired - Fee Related CN101256669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2008100268984A CN101256669B (zh) 2008-03-20 2008-03-20 序列图像分割的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008100268984A CN101256669B (zh) 2008-03-20 2008-03-20 序列图像分割的方法、装置

Publications (2)

Publication Number Publication Date
CN101256669A true CN101256669A (zh) 2008-09-03
CN101256669B CN101256669B (zh) 2011-04-06

Family

ID=39891471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008100268984A Expired - Fee Related CN101256669B (zh) 2008-03-20 2008-03-20 序列图像分割的方法、装置

Country Status (1)

Country Link
CN (1) CN101256669B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751663B (zh) * 2008-12-08 2013-03-13 财团法人工业技术研究院 以像素的区域特征为基础的影像分割标记方法与系统
CN103310436A (zh) * 2013-03-12 2013-09-18 华南师范大学 基于克利福德的三维区域生长方法
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法
CN105513050A (zh) * 2015-11-25 2016-04-20 北京邮电大学世纪学院 一种目标图像提取方法及装置
CN106575362A (zh) * 2014-08-28 2017-04-19 高通股份有限公司 基于关注区融合的对象选择

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106890031B (zh) * 2017-04-11 2020-05-05 东北大学 一种标记物识别及标记点定位方法及手术导航系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751663B (zh) * 2008-12-08 2013-03-13 财团法人工业技术研究院 以像素的区域特征为基础的影像分割标记方法与系统
CN103310436A (zh) * 2013-03-12 2013-09-18 华南师范大学 基于克利福德的三维区域生长方法
CN106575362A (zh) * 2014-08-28 2017-04-19 高通股份有限公司 基于关注区融合的对象选择
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法
CN104915989B (zh) * 2015-07-01 2017-07-04 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法
CN105513050A (zh) * 2015-11-25 2016-04-20 北京邮电大学世纪学院 一种目标图像提取方法及装置
CN105513050B (zh) * 2015-11-25 2018-06-15 北京邮电大学世纪学院 一种目标图像提取方法及装置

Also Published As

Publication number Publication date
CN101256669B (zh) 2011-04-06

Similar Documents

Publication Publication Date Title
CN101256669B (zh) 序列图像分割的方法、装置
CN102402796B (zh) 肝脏血管系统的三维结构化描述方法
CN102609934B (zh) 一种基于深度图像的多目标分割和跟踪方法
CN103886312A (zh) 一种快速选择并显示磁共振血管图像中感兴趣血管的方法
CN103384343B (zh) 一种填补图像空洞的方法及其装置
CN110033465A (zh) 一种应用于双目内窥镜医学图像的实时三维重建方法
CN102426700B (zh) 基于局部和全局区域信息的水平集sar图像分割方法
CN103247073A (zh) 基于树状结构的三维脑血管模型构造方法
CN106875443A (zh) 基于灰度约束的三维数字散斑的整像素搜索方法及装置
CN108801273A (zh) 一种道路参考线的生成方法及装置
CN103227888B (zh) 一种基于经验模式分解和多种评价准则的视频去抖动方法
CN102740096A (zh) 一种基于时空结合的动态场景立体视频匹配方法
CN103970837B (zh) 基于城市用地和竖向规划的不连续dem分类制作方法
CN102306373A (zh) 一种腹部器官的三维医学图像分割方法及系统
CN104318605A (zh) 矢量实线与三维地形的并行贴合渲染方法
CN100541541C (zh) 基于单层表面跟踪的超大规模医学图像表面重建方法
CN103679808A (zh) 利用二维核磁图像重建头部三维模型的方法及系统
CN101190132B (zh) 超声成像的预处理方法与装置
CN109668744A (zh) 计算轮胎接地面的摩擦系数的富余度的方法以及系统
CN104766322A (zh) 基于测地线的脑血管长度及弯曲度度量方法
CN111145328B (zh) 三维文字表面纹理坐标计算方法、介质、设备及装置
CN101996415B (zh) 眼球的三维建模方法
CN109558801B (zh) 道路网络提取方法、介质、计算机设备及系统
CN113808276A (zh) 一种基于外接球策略区域增长的点云表面重建方法及系统
WO2018210303A1 (zh) 道路模型的构建

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110406

Termination date: 20120320